Visual Data Mining im Überblick
|
|
- Hertha Emilia Linden
- vor 8 Jahren
- Abrufe
Transkript
1 I Visual Data Mining im Überblick Lehrveranstaltung: Seminar Softwaretechnik Dozenten: Stefan Jähnichen, Susanne Jucknath Semester: WS 02 /03 Verfasser: Konrad Kellermann TU Berlin Matrikelnummer:
2 II lnhaltsverzeichnis Abbildungsverzeichnis... II 1 Einleitung 3 2 Visual Data Mining versus Data Mining 3 3 Wissensentdeckung und Data Mining Klassifikation Clustering Assoziierung Visual Data Mining Einteilung nach Datentypen Techniken der Visualisierung Techniken zur Interaktion und Navigation Zusammenfassung 15 Literaturverzeichnis 16 Abbildungsverzeichnis Abbildung 1: Data Mining Life Cycle... 3 Abbildung 2: Mögliche Visual Data Mining Ansätze...4 Abbildung 3: Klassifikation visueller Data Mining Techniken... 8 Abbildung 4: Beispiel einer Pixel orientierte Visualisierung einer Datenbankabfrage... 9 Abbildung 5: Parallele Projektion technischer Daten von Autos Abbildung 6: Star Glyph Darstellung Abbildung 1: Fish-Eye Zoom am Beispiel eines Internetgraphen Abbildung 8: Graphische Oberfläche einer InternetMap... 14
3 3 1 Einleitung Das Vorhandensein von riesigen Datenmengen macht es erforderlich geeignete Techniken zu finden, um diese Daten zum einen zu Handhaben, zum anderen aber die in den Daten erhaltenen Informationen zugänglich zu machen. Oftmals liegen automatisch aufgezeichnete Daten in einer Form vor, dass alle bei der Datengewinnung verfügbaren Parameter enthalten sind. Solche hochdimensionalen Datensätze können mit Hilfe herkömmlicher Datenbankmanagementsystemen nur ausschnittsweiße dargestellt werden. Bei vielen Millionen Datensätzen sind hier die Grenzen der Darstellungsmöglichkeiten schnell erreicht. Eine weitere Anforderung, die bei entsprechenden Datensätzen oft gegeben ist, ist dass zunächst nur sehr wenig über die Daten bekannt ist und das die Ziele, die mit der Datenexploration erreicht werden sollen oft nicht genau spezifiziert werden können. Ziel von Visual Data Mining ist hier den Menschen in den Datenexplorationsprozess mit einzubinden, um dessen Fähigkeiten mit der Rechenleistung moderner Computersysteme zu kombinieren. Im vorliegenden Seminarbeitrag soll ein Überblick über Visual Data Mining gegeben werden. Nach einer Abgrenzung des Begriffs findet zunächst ist es zunächst notwendig eine kurze Einführung in Data Mining zu geben bevor exemplarisch Techniken zum Visual Data Mining dargestellt werden. 2 Visual Data Mining versus Data Mining Unter Visual Data Mining wird der Prozess der Wissensextraktion verstanden, bei dem verschiedene Visualisierungstechniken dazu verwendet werden eine Schnittstelle zwischen Benutzer und Data Mining System zu erstellen. Das Data Mining System wird in diesem Fall als ein Zyklus verstanden, in dem zunächst eine Vorverarbeitung und Auswahl der Daten statt findet, dann ein Data Mining Modell abgeleitet wird, um in der Abbildung 2: Data Mining Life Cycle, Quelle: INVISP Project Meeting 2001 Explorationsphase das in den Daten enthaltene Wissen extrahieren zu können. Die mit Visual Data Mining verbundene Zielsetzung beruht darauf, durch eine Synthese von
4 4 Visualisierung und Data Mining die Effektivität auf allen Stufen des Prozesses zu erhöhen. Durch die visuelle Repräsentation der (Zwischen-)Ergebnisse besteht die Möglichkeit den Wissens- und Informationsfluss zwischen Benutzer und system zu gewährleisten und effektiv zu gestalten. Prinzipiell lassen sich hier mehrere Ansätze unterscheiden Visualisierung der Data Mining Ergebnisse Visualisierung von Zwischenergebnissen Visualisierung der Ausgangsdaten Daten Daten Daten DM-Algorithmus Visualisierung der Ergebnisse DM-Algorithmus Zwischenergebnisse Visualisierung der Zwischenergebnisse Visualisierung Neue Eingabe DM-Algorithmus Ergebnis Ergebnis Wissen Wissen Wissen Visualisierung der Data Mining Ergebnisse Visualisierung von Zwischenergebnissen Visualisierung der Ausgangsdaten Abbildung 3: Mögliche Visual Data Mining Ansätze In Abbildung 2 sind diese Ansätze schematisch als Flussdiagramm dargestellt. Die Möglichkeiten zur Interaktion mit dem Data Mining Model sind dementsprechend auf unterschiedlichen Ebenen zu finden. Eine Visualisierung auf der Stufe der Datenvorverarbeitung ermöglicht eine visuelle Manipulation der Ausgangsdaten. Beispielsweise kann hier eine Selektion der Daten vorgenommen werden. Auch eine visuelle Manipulation bei fehlenden Daten oder eine Transformation der Daten sind denkbar. Bei der Visualisierung der Data Mining Endergebnisse steht die Evaluierung des Data Mining Prozess im Vordergrund. Durch verschiedene Techniken der Visualisierung kann die Plausibilität des Data Mining Algorithmus geprüft werden. Die Visualisierung (aller) Stufen des Data Mining Zyklus bietet die weitreichendsten Möglichkeiten zur Interakti-
5 5 on zwischen Benutzer und Data Mining System. Neben den bereits genannten, kann zusätzlich eine Auswahl des geeigneten Data Mining Algorithmus, bzw. der geeigneten Modelparameter auf Grund der visuellen Information erfolgen. Zusammenfassend findet also neben der Ableitung des geeigneten Data Mining Modells eine Überwachung und Evaluierung des Data Mining Prozess, unterstützt durch visuelle Informationen statt. Eine interessante Beobachtung bei Data Mining Modellen ist, dass die meisten Techniken in diesem Bereich zwar automatisiert ablaufen, aber a pirori Annahmen, wie die gemachten Hypothesen und Zielstellungen der Untersuchung benötigen. So werden im Data Mining Prozess zunächst Hypothesen angenommen, mit dem Ziel Regeln ableiten zu können, um die gemachten Hypothesen anzunehmen oder zurückzuweisen. Ein wichtiger Punkt in diesem Zusammenhang ist, dass oftmals die Notwendigkeit besteht zunächst datengetrieben Hypothesen zu generieren. Hier ist es unerlässlich menschliche Fähigkeiten wie Expertenwissen, Kreativität und Flexibilität in den Prozess mit einzubinden. Visual Data Mining liefert hier ein wirkungsvolles Instrument diese Anforderungen zu erfüllen. Wie bereits deutlich wurde, ist unter Visual Data Mining eine Kombination von verschiedenen Instrumenten aus den Bereichen Data Mining und Visualisierung zu verstehen. Bevor am Beispiel einige Techniken des Visual Data Mining dargestellt werden, soll zunächst ein Überblick über gängige Techniken des Data Mining und der Visualisierung von Daten gegeben werden. 3 Wissensentdeckung und Data Mining Wie oben deutlich wurde ist mit einen Data Mining Prozess die Absicht verbunden aus einer meist sehr großen Datenmenge Informationen abzuleiten und Hypothesen zu prüfen. Die ist zum einen die Vorhersage unbekannter oder zukünftiger Werte von interessierenden Variablen, zum andern die Beschreibung der Datenmenge durch Muster die in den Daten identifiziert werden können. Die Techniken die beim Data Mining zur Anwendung kommen stammen vorwiegend aus den Bereichen der Statistik und sehr häufig der künstlichen Intelligenz. Folgende Aufzählung liefert einen Überblick über die wichtige, angewendeten Techniken des Data Mining. Klassifikation Clustering Zeitreihenanalyse
6 6 Assoziierungsregeln 3.1 Klassifikation Mit der Klassifikation wird zunächst ein Satz an Trainingdaten analysiert und ein Modell abgeleitet, dass für jede Klasse die entsprechenden Merkmale wiederspiegelt. Auf Grund dieser Informationen können dann z.b. Entscheidungsbäume oder Klassifizierungsregeln generiert werden, die dazu verwendet werden können neue Daten besser zu verstehen und zukünftige Daten korrekt zu klassifizieren. Vorraussetzung ist, dass Trainingsdaten zur Verfügung stehen die bereits korrekt Klassifiziert sind. Bei geeigneter Wahl des Lernverfahren ist man damit in der Lage Vorhersagen über unbekannte Parameter in künftigen Daten zu treffen. Das Maß in wie weit ein solches Modell geeignet ist auf unbekannten Datensätzen zu arbeiten wird als Generalisierungsleistung bezeichnet. Im Bereich der Klassifikation stehen zahlreiche Methoden zur Verfügung die vorwiegend aus den Gebieten des Maschinellen Lernens, der Künstlichen Neuronalen Netzen und der Statistik stammen. Wichtige Vertreter sind: Entscheidungsbäume Nachbarschaftssuche Regelinduktion Künstliche Neuronale Netze Bayes-Klassifikation 3.2 Clustering Unter Clustering werden Verfahren verstanden die in die Daten eingebettet Strukturen analysieren und identifizieren können. Als Cluster wird dabei eine Menge von Daten aufgefasst die untereinander eine größere Ähnlichkeit aufweisen als zu Daten eines andere Clusters. Die Ähnlichkeit zwischen den Datenelementen wir als Ähnlichkeitsmaß ausgedrückt und fließt als Expertenwissen in das Clusteringverfahren ein. Clustering ist eine sehr mächtiges Verfahren, dass insbesondere auch für sehr hochdimensionale Daten geeignet ist. Bei Verfahren wie z.b. Self Organizing Maps (SOM) werden hochdimensionale Daten in niedriger dimensionale Räume eingebetet womit eine Dimensionsreduktion der Datenmenge erzielt wird. Bekannte Vertreter dieser Gruppe von Algorithmen sind die schon genannten SOM aber auch das K-Means Clustering. Eine weite-
7 7 re Eigenschaft von Clusteringverfahren ist, dass durch eine geeignete Wahl der Clusteranzahl eine Skalierung der Daten erreicht werden kann. 3.3 Assoziierung Ziel der Assoziierung ist es, Zusammenhänge und Korrelationen zwischen verschiedenen Attributmerkmalen in großen Datenbeständen herauszufinden. Zunächst werden in den Datensätzen Attribute identifiziert die gehäuft auftreten und dann Assoziierungsregeln zwischen diesen Attributen abgeleitet. Assoziierungsregeln werden oft als Abhängigkeiten zwischen Attributen ausgedrückt die gemeinsam in einem Datensatz auftreten. Eine Assoziierungsregel der Form auch Y genügen. X Y bedeutet, dass Datenpaare die X genügen Assoziierungsregeln finden häufig Anwendung im Bereich der Marketinganalyse und der Entscheidungsfindung. Ein typisches Beispiel wie es häufig beim Internetversandhandel von Büchern anzutreffen ist, ist die Aussage: 89% derjenigen die Buch X gekauft haben, haben gleichzeitig Buch Y gekauft 4 Visual Data Mining Wie Bereits im vorangegangenen Abschnitt deutlich wurde, ist das Ziel von Visual Data Mining eine Schnittstelle zwischen Benutzer und Data Mining System bereitzustellen um eine effektive Interaktion zu ermöglichen. Keim (2002) schlägt vor eine Klassifizierung der Visual Data Mining Techniken nach folgenden Kriterien durchzuführen: 1. der zu visualisierende Datentyp 2. der verwendeten Visualisierungstechnik 3. die verwendete Technik für Interaktion und Verzerrung Insgesamt ergibt sich daraus die in Tabelle 4 dargestellte Klassifikation visueller Data Mining Techniken. Die in den jeweiligen Spalten dargestellte Aufteilung stellt jeweils nur eine Auswahl an möglichen Einteilungen dar und könnte entsprechend erweitert werden.
8 8 Datentyp Visualisierungstechnik Interaktions- und Verzerrungstechnik Ein-dimensional Standard 2D/2D Visualisierung Standard Zwei-Dimensional Geometrische Transformation Projektion Multi-dimensional Icon-basierte Visualisierung Filterung Text & Hypertext Pixel Visualisierung Zoom Hierarchien & Graphen Geschachtelte Visualisierung Verzerrung Algorithmen & Software Link & Brush Tabelle 4: Klassifikation visueller Data Mining Techniken, nach KEIM (2002) Eine Schlüsselrolle nimmt dabei die Visualisierung der jeweiligen Zustände im Data Mining Prozess ein. Die Daten die jeweils zu visualisieren sind liegen jedoch selten in einer 2D oder 3D Semantik vor weshalb eine (Standard)Darstellung auf z.b. einem Computerbildschirm schwer fällt. Herkömmliche Visualisierungstechniken die jedoch auf relativ kleine bzw. niedrig dimensionale Datensätze beschränkt bleiben sind x-y- Plots, Liniendiagramme oder Histogramme. In den letzten Jahren sind diese Verfahren um eine Vielzahl an neuen und leistungsfähigen Techniken zur Visualisierung ergänzt worden. 4.1 Datentypen Wie der Abbildung entnommen werden kann, ist der zu visualisierende Datentyp ein entscheidendendes Kriterium, um Techniken des Visual Data Mining zu klassifizieren. Daten wie sie zum Visual Data Mining verwendet werden haben die Eigenschaft, dass sie meist aus sehr vielen Datensätzen bestehen. Ein Datensatz entspricht dabei je einer Beobachtung mit einer bestimmten Anzahl an Attributen. Je nach Anzahl der Attribute unterscheidet man zwischen Ein-, Zwei- oder Mehrdimensionalen Datenätzen. Ein weiteres wichtiges Kriterium in diesem Zusammenhang ist die Art der Attribute. So besitzen Attribute wie etwa Zeit und geographische Lage im Hinblick auf die Visualisierung eine besondere Bedeutung und werden entsprechend behandelt. Bei mehrdimensionalen Daten tritt das Problem auf, dass diese nicht mehr mit den Standard 2D- und 3D Techniken visualisiert werden können. Typische Vertreter dieser Gruppe sind z.b. Tabellen in relationalen Datenbanken. Zur Darstellung Mehrdimensionaler Daten ist es erforderlich eine Abbildung in die Ebene zu finden, die je nach Datenmenge mehr oder weniger komplex sein kann. Exemplarisch sollen weiter unten solche Techniken, wie z.b. die Projektion Paralleler Koordinaten vorgestellt werden. Eine weitere Unterscheidung von
9 9 auftretenden Datentypen kann auf Grund der Struktur des Datentyps vorgenommen werden. Oftmals findet man als Gegenstand von Data Mining Aufgaben Datenstrukturen wie (Hyper-)Texte, Hierarchien und Graphen vor. Auch hier besteht das Problem eine geeignete Abbildung in die Ebene zu finden. Speziell bei Graphen haben sich eine Reihe von speziellen Techniken entwickelt. Im Rahmen einer effizienten Softwareentwicklung und Wartung ist die Klasse der Algorithmen und Softwareprojekten ein weitere Gegenstand der Visualisierung. Auf diese Gruppe von Daten soll im vorliegenden Beitrag allerdings nicht eingegangen werden. 4.2 Techniken der Visualisierung In Tabelle 4 sind als Unterscheidungsmerkmal eine Reihe von unterschiedlichen Techniken zur Visualisierung dargestellt. Neben weit verbreiteten 2D/3D Techniken existieren eine Reihe von Visualisierungstechniken mit stark erweiterten Möglichkeiten im Vergleich zu den Standardverfahren. Im folgenden sollen exemplarisch einige Beispiele dargestellt werden. 1) Pixel- orientierte Visualisierung. Als Beispiel für eine Pixelorientierte Darstellung soll die Visualisierung einer Datenbankabfrage geben. Im Feld Gesamtdistanz ist das Ergebnis der Abfrage mit abnehmender Distanz zu den eigentlichen Suchkriterien dargestellt. Aus dieser Ansicht können allerdings lediglich die Verteilung der Gesamtdistanz entnommen werden. Um den Beitrag der einzelnen Attribute zu erkennen sind in separaten Festern die Beiträge der einzelnen Attribute bei sonst gleicher Anordnung der Datensätze dargestellt. Abbildung 5: Beispiel einer Pixel orientierte Visualisierung einer Datenbankabfrage, Quelle: Über diese visuelle Beziehung der Daten ist es so möglich lokale Beziehungen zwischen den Attributen und Ausnahmen zu finden.
10 10 Neben der Anordnung in Rechtecken die als Recursive Pattern technik bezeichnet wird findet man noch die Circle Segements Technik (eine Anordnung in Kreissegmenten) oder die Pixel Bar Chart Technik (siehe KEIM 2002). 2) Geometrische Transformation Datensätze mit mehreren Attributen können als Punkte in einem Kartesischen Koordinatensystem dargestellt werden. Da bei mehr als drei Dimensionen keine bildliche Darstellung des Datums mehr möglich ist, besteht, als Repräsentant der geometrischen Transformationen, eine Möglichkeit darin die Koordinatenachsen parallel zu projizieren. Ein Punkt im Koordinatesystem ist nun als Polygonzug in der Ebene abgebildet. In Abbildung 6 sind als Beispiel für die parallel Projektion die technischen Daten verschiedene Autotypen dargestellt. Wie man im rechten Teil der Abbildung erkennen kann sind mindestens drei der Attribute sehr stark miteinander korreliert. Auf Grund der Kreuzungen der einzelnen Linien kann auf eine negative Korrelation geschlossen werden. Auf Grund der visuellen Interpretation, können nun einzelne Attribute invertiert und vertauscht werden um eine wesentlich bessere Visualisierung wie im rechten Teil der Abbildung zu sehen ist. Abbildung 6: Parallele Projektion technischer Daten von Autos, Quelle: 3) Icon basierte Techniken Als Beispiel für eine Icon-basierte Technik ist in Abbildung 7 der auch in Abbildung 6 verwendete Datemnmenge als Star Glyphs visualisiert. Bei Star Glyphs werden die Datenwerte von jedem Attribut auf die Längen von Linien aufgespannt. Jede Linie hat den gleichen Ursprung und breitet sich radial von der Mitte aus. Die Endpunkte der Linien
11 11 werden verbunden und bilden einen Polygon. Das erste Attribut wir in der am weitesten rechts liegenden Spitze dargestellt und ist von der Länge proportional zu Wert des Attributes. Alle anderen Attribute sind der Reihe nach gegen den Uhrzeigersinn angeordnet. In Abbildung 7 ist die bereits oben verwendete Datenmenge unterschiedlicher Automobiltypen mit Hilfe von Star Glyphs dargestellt. Jeder Star Glyph entspricht dabei einem Automobiltyp. Abbildung 7: Star Glyph Darstellung, Quelle: Bei Icon-basierten Verfahren stellt jedes Icon oder Bildzeichen einen Datensatz dar. Die einzelnen Bildzeichen werden in einem Rasterfeld angeordnet, und eine entsprechende (automatisierte) Sortierung ermöglicht Ähnlichkeiten und Unterschiede zwischen einzelnen Datensätzen, aber auch Attributen sichtbar zu machen. Weitere Beispiele für Icon-basierte Techniken sind z.b Sticky Figures und Chernoff Faces. Sticky Figures bestehen aus einer Basislinie an deren Enden weitere Linien angefügt werden. Der Winkel zwischen den beiden Linien stellt den Wert des Attributes dar. Zusätzlich können Werte einzelner Attribute auch durch die Farbe oder Dicke einzelner Linien dargestellt werden. Bei Chernoff Faces werden zur geometrischen Codierung stilisierte Gesichter verendet. Der Benutzer ist sehr gut in der Lage Gesichtsausdrücke zu interpretieren und kann aus Größe, Form und Abstände zwischen den Teilen des Gesichtes die Ausprägung einzelner Attribute entnehmen.
12 Techniken zur Interaktion und Navigation Selbst bei sehr intelligenten Verfahren zur Visualisierung von Daten ergibt sich das Problem, dass die Darstellungsfläche die zur Verfügung steht zu gering ist, um große Datensätze zu visualisieren. Es entseht also die Notwendigkeit zielgerichtet in den Daten zu navigieren und einzelne Aspekte der Datenmenge zu beleuchten. Um dies zu erreichen stehen eine Reihe von Techniken zur Verfügung von denen im folgenden exemplarisch wichtige Vertreter dargestellt werden. Je nach Komplexität der Verfahren ergeben sich besonders in diesem Bereich auch Überschneidungen mit bereits dargestellten Verfahren für Data Mining Anwendungen Zoom und Pan Zoom und Pan sind klassische Möglichkeiten durch eine gegebene Datenmenge zu navigieren. Panning ermöglicht eine einfache Verschiebung der Darstellungsfläche um auf diese Weise den Darstellungsraum zu vergrößern. Bei Zoomverfahren können drei Formen unterschieden werden: Geometrisches Zoomen Semantisches Zoomen Fisch-Eye Zoomen Geometrisches Zoomen stellt eine sehr einfache Variante dar, bei der lediglich ein Ausschnitt des Darstellungsbereichs vergrößert dargestellt wird während alle Informationen außerhalb des Zoombereichs ausgeblendet werden. Die Art des Zoomens stößt jedoch schnell an seine Grenzen, da je nach Umfang der Daten nur ein kleiner Bereich dargestellt wird und so schell die Überblick bzw. der Zusammenhang in der Datenmenge verloren geht. Eine Alternative bieten hier Fish-Eye Verfahren, die auf dem Prinzip beruhen, dass neben dem gewählten Ausschnitt sämtliche Informationen für den Anwender sichtbar bleiben. Häufig werden solche Verfahren zur Visualisierung von Bäumen wie z.b. Linkstrukturen aus dem Internet dargestellt.
13 13 Abbildung 8 Fish-Eye Zoom am Beispiel eines Internetgraphen, Quelle: Dadurch dass für den Benutzer alle Informationen sichtbar bleiben werden die angesprochenen Nachteile einfacher Zoomverfahren umgangen. Wie in Abbildung 8 zu erkennen, ist es möglich einzelne Teile eines Graphen detailliert darzustellen. Dadurch dass der Überblick über den gesamten Graphen gewährleistet ist, ist es einfach möglich zwischen den relevanten Bereichen zu wechseln und sich einen schnellen Überblick über ein Themengebiet bzw. den Zusammenhang zu angrenzenden Bereichen zu verschaffen. Verfahren die nach einem ähnlichen Prinzip arbeiten sind z.b. die Document Lens. Wie bei einer Fish-Eye Darstellung werden auch hier einzelne Teile vergrößert dargestellt. Dieser Fokus wird allerdings nicht losgelöst sondern innerhalb seine Kontexts visualisiert. In diesem Zusammenhang werden die genannten Verfahren oft dem Bereich Fokus und Kontext zugeordnet statt unter Zoom und Pan Verfahren Geographische Karten Bei Geographischen Karten findet eine Visualisierung der Daten in geographischer Form statt. In der dargestellten Abbildung sind ca. 2 Mio. Webseiten visualisiert. Einzelne Themengebiete werden je nach Anzahl der zugehörigen Seiten als Inseln dargestellt. Mit der Software InternetMap erhält der Benutzer die Möglichkeit einzelne Themen Bereiche zu vergrößern und in Untergruppen zu gliedern. Ebenfalls können gezielt
14 14 Suchabfragen gestellt werden deren Ergebnissen dann farblich auf der Karte dargestellt werden. Die in der Abbildung dargestellten Inseln entsprechen einzelnen Themengruppen wobei die eingezeichneten Punkte Websites der einzelnen Themenbereiche darstellen, die je nach Anfrage in unterschiedlichen Farben eingefärbt werden. Abbildung 9: Graphische Oberfläche der InternetMap, Quelle: Verknüpfung und Einfärbung Bei den dargestellten Visualisierungstechniken, aber auch bei den Methoden zur Navigation und Interaktion, wurde deutlich dass oft Defizite bei sehr großen Datensätzen auftreten, da der Darstellungsbereich nicht ausreichend ist. Kontextbasierte Verfahren stellen hier eine Erweiterung dar, weißen aber dennoch die genannten Einschränkungen auf. Bei Techniken zur Verknüpfung und Einfärbung wird versucht diese Probleme zu umgehen in dem sämtliche zur Verfügung stehenden Techniken miteinander verknüpft werden. Punkte einer hochdimensionalen Datenmenge werden in den zur Verfügung stehenden Projektionen verknüpft und entsprechend eingefärbt. Das Ergebnis ist eine hervorgehobene Darstellung der markierten Daten in allen Visualisierungen, wodurch Abhängigkeiten und Korrelationen in den Daten erkennbar werden. Die Verknüpfung der einzelnen Ansichten erfolgt auf eine Weise, dass nach einer Interaktion in einer Darstellungsform, die Änderungen in allen verknüpften Darstellungen übernommen wird. Dies erlaubt neue Perspektiven in der Visualisierung der gegebenen Daten obwohl die Verknüpfung im Prinzip lediglich die Summe der einzeln Visualisierungen darstellt. Besonders häufig findet diese Technik Anwendung bei Scatterplots, Balkendiagramme, Parallele Koordinaten, und Pixel-Visualisierungen (siehe Keim (2002)).
15 15 5 Zusammenfassung Auf Grund immer leistungsfähigerer Computersysteme, eröffnen sich für den Benutzer neue Möglichkeiten sehr großen Mengen an Daten zu handhaben und das darin enthaltene Wissen zu extrahieren um Entscheidungsprozesse zu unterstützen. Insbesondere zur datengetriebenen Generierung von Hypothesen über dass in den Daten enthaltene Wissen ist es notwendig menschliche Fähigkeiten wie Flexibilität und Kreativität in den Data Mining Prozess zu integrieren. Verfahren zum Visual Data Mining stellen eine Schnittstelle zur Verfügung die diese Interaktion zwischen Mining System und Benutzer ermöglichen. Visual Data Mining bedeutet dabei eine effektive Kombination aus Verfahren des Data Mining mit Techniken der Visualisierung. Auf diese Weise wird erreicht, dass Zwischen- und Endergebnisse visualisiert und auf Grund dieser Ergebnisse in den Data Mining Prozess eingegriffen werden kann. In vorliegenden Beitrag wurde versucht die mit Visual Data Ming verbundene Zielstellung zu erläutern. Daraufhin wurden zunächst einige Verfahren des Data Ming dargestellt, bevor eine Auswahl an Visualisierungs- und Interaktionstechniken präsentiert wurde. Die gezeigten Verfahren stellen jedoch lediglich einen kleinen Ausschnitt aus den vorhandenen Möglichkeiten dar. Durch die Bereitstellung immer leistungsfähigerer Computer werden diese Verfahren stetig ergänzt und verbessert. In diesem Zusammenhang sei angemerkt dass sich die Möglichkeiten die sich ergeben sehr stark von der verwendeten Software abhängig ist und eine Vielzahl an Möglichkeiten bietet die in dieser kurzen Einführung unbeachtet blieben. Ein ausführlicher Überblick auch über verfügbare Software findet sich unter Oft ist Demosoftware (und Datensätze) vorhanden, die nach einer Gewissen Einarbeitungszeit einen guten Einblick in das Potential von Visual Data Minig geben kann.
16 16 Literaturverzeichnis IINVISIP (2001): Information Visualization for Siteplanning, KEIM, D., (2002): Information Visualization and Visual Data Mining. In: IEEE Transactions on Visualization and Computer Graphics, Vol. 8, No. 1, January March 2002 KOPANAKIS, I.; THEODOULIDIES, B. (2001): Visual Data Mining & Modeling Techniques. In Keim, D.; Eick, S. (eds.) Workshop on Visual Data Mining, Proceeding. San Francisco. KREUSELER, M.; SCHUMANN, H., (2002): Information Visualization and Visual Data Mining. In: IEEE Transactions on Visualization and Computer Graphics, Vol. 8, No. 1, January March 2002 RIBARSKY, W., KATZ, S., JIANG, F., & HOLLAND, A. (1999). Discovery Visualization and Visual Data Mining. (Graphics, Visualization and Usability Center, Georgia Institute of Technology).
Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
MehrAnwendungshinweise zur Anwendung der Soziometrie
Anwendungshinweise zur Anwendung der Soziometrie Einführung Die Soziometrie ist ein Verfahren, welches sich besonders gut dafür eignet, Beziehungen zwischen Mitgliedern einer Gruppe darzustellen. Das Verfahren
Mehretutor Benutzerhandbuch XQuery Benutzerhandbuch Georg Nitsche
etutor Benutzerhandbuch Benutzerhandbuch XQuery Georg Nitsche Version 1.0 Stand März 2006 Versionsverlauf: Version Autor Datum Änderungen 1.0 gn 06.03.2006 Fertigstellung der ersten Version Inhaltsverzeichnis:
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrBarrierefreie Webseiten erstellen mit TYPO3
Barrierefreie Webseiten erstellen mit TYPO3 Alternativtexte Für jedes Nicht-Text-Element ist ein äquivalenter Text bereitzustellen. Dies gilt insbesondere für Bilder. In der Liste der HTML 4-Attribute
MehrSDD System Design Document
SDD Software Konstruktion WS01/02 Gruppe 4 1. Einleitung Das vorliegende Dokument richtet sich vor allem an die Entwickler, aber auch an den Kunden, der das enstehende System verwenden wird. Es soll einen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
Mehr2.5.2 Primärschlüssel
Relationale Datenbanken 0110 01101110 01110 0110 0110 0110 01101 011 01110 0110 010 011011011 0110 01111010 01101 011011 0110 01 01110 011011101 01101 0110 010 010 0110 011011101 0101 0110 010 010 01 01101110
MehrProgramm 4: Arbeiten mit thematischen Karten
: Arbeiten mit thematischen Karten A) Anteil der ausländischen Wohnbevölkerung an der Wohnbevölkerung insgesamt 2001 in Prozent 1. Inhaltliche und kartographische Beschreibung - Originalkarte Bei dieser
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
Mehr3.2 Spiegelungen an zwei Spiegeln
3 Die Theorie des Spiegelbuches 45 sehen, wenn die Person uns direkt gegenüber steht. Denn dann hat sie eine Drehung um die senkrechte Achse gemacht und dabei links und rechts vertauscht. 3.2 Spiegelungen
MehrSpeicher in der Cloud
Speicher in der Cloud Kostenbremse, Sicherheitsrisiko oder Basis für die unternehmensweite Kollaboration? von Cornelius Höchel-Winter 2013 ComConsult Research GmbH, Aachen 3 SYNCHRONISATION TEUFELSZEUG
MehrNovell Client. Anleitung. zur Verfügung gestellt durch: ZID Dezentrale Systeme. Februar 2015. ZID Dezentrale Systeme
Novell Client Anleitung zur Verfügung gestellt durch: ZID Dezentrale Systeme Februar 2015 Seite 2 von 8 Mit der Einführung von Windows 7 hat sich die Novell-Anmeldung sehr stark verändert. Der Novell Client
MehrBeispiel Shop-Eintrag Ladenlokal & Online-Shop im Verzeichnis www.wir-lieben-shops.de 1
Beispiel Shop-Eintrag Ladenlokal & Online-Shop. Als Händler haben Sie beim Shop-Verzeichnis wir-lieben-shops.de die Möglichkeit einen oder mehrere Shop- Einträge zu erstellen. Es gibt 3 verschiedene Typen
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrIhre Interessentendatensätze bei inobroker. 1. Interessentendatensätze
Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit
MehrAccess [basics] Gruppierungen in Abfragen. Beispieldatenbank. Abfragen gruppieren. Artikel pro Kategorie zählen
Abfragen lassen sich längst nicht nur dazu benutzen, die gewünschten Felder oder Datensätze einer oder mehrerer Tabellen darzustellen. Sie können Daten auch nach bestimmten Kriterien zu Gruppen zusammenfassen
MehrArtenkataster. Hinweise zur Datenbereitstellung. Freie und Hansestadt Hamburg. IT Solutions GmbH. V e r s i o n 1. 0 0.
V e r s i o n 1. 0 0 Stand Juni 2011 Freie und Hansestadt Hamburg Behörde für Stadtentwicklung und Umwelt IT Solutions GmbH Artenkataster Auftraggeber Freie und Hansestadt Hamburg Behörde für Stadtentwicklung
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrAuswertung des Fragebogens zum CO2-Fußabdruck
Auswertung des Fragebogens zum CO2-Fußabdruck Um Ähnlichkeiten und Unterschiede im CO2-Verbrauch zwischen unseren Ländern zu untersuchen, haben wir eine Online-Umfrage zum CO2- Fußabdruck durchgeführt.
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrLeitfaden #1a. "zanox Publisher-Statistik" (next generation)
Leitfaden #1a "zanox Publisher-Statistik" (next generation) Thema: Sortieren von Leads und Sales nach dem Bearbeitungsdatum (inklusive Abschnitt "Filterung nach Transaktionsstatus") 1/8 Leitfaden "Sortieren
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrJeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint
Bilingual konkret Jeopardy and andere Quizformate im bilingualen Sachfachunterricht Tipps zur Erstellung mit Powerpoint Moderner Unterricht ist ohne die Unterstützung durch Computer und das Internet fast
MehrC++11 C++14 Kapitel Doppelseite Übungen Musterlösungen Anhang
Einleitung Dieses Buch wendet sich an jeden Leser, der die Programmiersprache C++ neu lernen oder vertiefen möchte, egal ob Anfänger oder fortgeschrittener C++-Programmierer. C++ ist eine weitgehend plattformunabhängige
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrExcel 2013. Fortgeschrittene Techniken. Peter Wies. 1. Ausgabe, März 2013 EX2013F
Excel 2013 Peter Wies 1. Ausgabe, März 2013 Fortgeschrittene Techniken EX2013F 15 Excel 2013 - Fortgeschrittene Techniken 15 Spezielle Diagrammbearbeitung In diesem Kapitel erfahren Sie wie Sie die Wert-
MehrContent Management System mit INTREXX 2002.
Content Management System mit INTREXX 2002. Welche Vorteile hat ein CM-System mit INTREXX? Sie haben bereits INTREXX im Einsatz? Dann liegt es auf der Hand, dass Sie ein CM-System zur Pflege Ihrer Webseite,
MehrBegriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining
Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data
MehrEinführung und Motivation
Einführung und Motivation iks-thementag: Requirements Engineering 16.11.2010 Autor Carsten Schädel Motto Definiere oder Du wirst definiert. Seite 3 / 51 These Im Privatleben definiert jeder (seine) Anforderungen.
MehrErstellen von x-y-diagrammen in OpenOffice.calc
Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
Mehr1. Einführung. 2. Archivierung alter Datensätze
1. Einführung Mit wachsender Datenmenge und je nach Konfiguration, kann orgamax mit der Zeit langsamer werden. Es gibt aber diverse Möglichkeiten, die Software wieder so zu beschleunigen, als würden Sie
MehrDatensicherung. Beschreibung der Datensicherung
Datensicherung Mit dem Datensicherungsprogramm können Sie Ihre persönlichen Daten problemlos Sichern. Es ist möglich eine komplette Datensicherung durchzuführen, aber auch nur die neuen und geänderten
MehrBilder zum Upload verkleinern
Seite 1 von 9 Bilder zum Upload verkleinern Teil 1: Maße der Bilder verändern Um Bilder in ihren Abmessungen zu verkleinern benutze ich die Freeware Irfan View. Die Software biete zwar noch einiges mehr
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrPowerPoint 2010 Mit Folienmastern arbeiten
PP.002, Version 1.1 07.04.2015 Kurzanleitung PowerPoint 2010 Mit Folienmastern arbeiten Der Folienmaster ist die Vorlage für sämtliche Folien einer Präsentation. Er bestimmt das Design, die Farben, die
Mehr7. ArcView-Anwendertreffen. Einbindung von Datenbanken in ArcMap am Beispiel der Biotopkartierung Bayern. Daniel Fuchs
7. ArcView-Anwendertreffen Einbindung von Datenbanken in ArcMap am Beispiel der Biotopkartierung Bayern Daniel Fuchs 1. Grundlagen Biotopkartierung: Datenformat Die Daten der Biotopkartierung Bayern werden
MehrIm Original veränderbare Word-Dateien
Objekte einer Datenbank Microsoft Access Begriffe Wegen seines Bekanntheitsgrades und der großen Verbreitung auch in Schulen wird im Folgenden eingehend auf das Programm Access von Microsoft Bezug genommen.
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrAnleitung. So erstellen Sie eine Familienkarte für Ihre Gemeinde. 1. Google-Konto eröffnen
Anleitung So erstellen Sie eine Familienkarte für Ihre Gemeinde 1. Google-Konto eröffnen Zunächst benötigen Sie ein Konto bei Google, falls Sie nicht bereits eines haben: Gehen Sie dazu auf Google.com
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrDie Beschreibung bezieht sich auf die Version Dreamweaver 4.0. In der Version MX ist die Sitedefinition leicht geändert worden.
In einer Website haben Seiten oft das gleiche Layout. Speziell beim Einsatz von Tabellen, in denen die Navigation auf der linken oder rechten Seite, oben oder unten eingesetzt wird. Diese Anteile der Website
MehrProfessionelle Seminare im Bereich MS-Office
Gegenüber PowerPoint 2003 hat sich in PowerPoint 2007 gerade im Bereich der Master einiges geändert. Auf Handzettelmaster und Notizenmaster gehe ich in diesen Ausführungen nicht ein, die sind recht einfach
MehrInsiderwissen 2013. Hintergrund
Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen
MehrIn diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können.
Tutorial: Wie erfasse ich einen Termin? In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können. Neben den allgemeinen Angaben zu einem
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrPräsentation: Google-Kalender. Walli 25.02.2009 Ruedi Knupp Urdorf 26.08.09
Präsentation: Google-Kalender Walli 25.02.2009 Ruedi Knupp Urdorf 26.08.09 Übersicht Google-Kalender hat einen ausgezeichneten Hilfeteil. Es wird empfohlen, für alle Probleme zuerst diese Hilfe (oben rechts)
MehrProfessionelle Diagramme mit Excel 2010 erstellen. Peter Wies. 1. Ausgabe, 2. Aktualisierung, März 2014. Themen-Special W-EX2010DI
Peter Wies 1. Ausgabe, 2. Aktualisierung, März 2014 Professionelle Diagramme mit Excel 2010 erstellen Themen-Special W-EX2010DI 2 Professionelle Diagramme mit Excel 2010 erstellen - Themen-Special 2 Wichtige
MehrVisio 2013. Grundlagen. Linda York. 1. Ausgabe, Oktober 2013
Visio 2013 Linda York 1. Ausgabe, Oktober 2013 Grundlagen V2013 2 Visio 2013 - Grundlagen 2 Einfache Zeichnungen erstellen In diesem Kapitel erfahren Sie wie Sie Shapes einfügen, kopieren und löschen was
MehrAblaufbeschreibung für das neu Aufsetzen von Firebird und Interbase Datenbanken mit der IBOConsole
Lavid-F.I.S. Ablaufbeschreibung für das neu Aufsetzen von Firebird und Interbase Datenbanken mit der Lavid Software GmbH Dauner Straße 12, D-41236 Mönchengladbach http://www.lavid-software.net Support:
MehrIm Original veränderbare Word-Dateien
Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik
MehrEM-Wellen. david vajda 3. Februar 2016. Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören:
david vajda 3. Februar 2016 Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören: Elektrische Stromstärke I Elektrische Spannung U Elektrischer Widerstand R Ladung Q Probeladung q Zeit t Arbeit
MehrProzessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08
Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements von Stephanie Wilke am 14.08.08 Überblick Einleitung Was ist ITIL? Gegenüberstellung der Prozesse Neuer
Mehr1. Einführung. 2. Die Abschlagsdefinition
1. Einführung orgamax bietet die Möglichkeit, Abschlagszahlungen (oder auch Akontozahlungen) zu erstellen. Die Erstellung der Abschlagsrechnung beginnt dabei immer im Auftrag, in dem Höhe und Anzahl der
MehrHandbuch Fischertechnik-Einzelteiltabelle V3.7.3
Handbuch Fischertechnik-Einzelteiltabelle V3.7.3 von Markus Mack Stand: Samstag, 17. April 2004 Inhaltsverzeichnis 1. Systemvorraussetzungen...3 2. Installation und Start...3 3. Anpassen der Tabelle...3
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrAdobe Photoshop. Lightroom 5 für Einsteiger Bilder verwalten und entwickeln. Sam Jost
Adobe Photoshop Lightroom 5 für Einsteiger Bilder verwalten und entwickeln Sam Jost Kapitel 2 Der erste Start 2.1 Mitmachen beim Lesen....................... 22 2.2 Für Apple-Anwender.........................
MehrSchritt für Schritt zur Krankenstandsstatistik
Schritt für Schritt zur Krankenstandsstatistik Eine Anleitung zur Nutzung der Excel-Tabellen zur Erhebung des Krankenstands. Entwickelt durch: Kooperationsprojekt Arbeitsschutz in der ambulanten Pflege
MehrRichtlinien für das Design und das Bestellen von Nutzen für Leiterplatten im Pool
Richtlinien für das Design und das Bestellen von Nutzen für Leiterplatten im Pool B&D electronic print Ltd. & Co. KG in Folge electronic print genannt bietet mehrere Optionen für das Bestellen von Kundennutzen.
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrHandbuch ZfEditor Stand 24.08.2012
Handbuch ZfEditor Stand 24.08.2012 Inhaltsverzeichnis Einführung... 1 Ansprechpartner... 1 Installation und Update... 1 Installation... 1 Update... 2 Bedienung des ZfEditors... 2 Aufruf... 2 Auswahl Gemeinde,
MehrDatenübernahme easyjob 3.0 zu easyjob 4.0
Datenübernahme easyjob 3.0 zu easyjob 4.0 Einführung...3 Systemanforderung easyjob 4.0...3 Vorgehensweise zur Umstellung zu easyjob 4.0...4 Installation easyjob 4.0 auf dem Server und Arbeitsstationen...4
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrKurzanleitung zur Bereitstellung von Sachverhalten und Lösungen zum Universitätsrepetitorium auf dem Server unirep.rewi.hu-berlin.
Humboldt-Universität zu Berlin Juristische Fakultät Kurzanleitung zur Bereitstellung von Sachverhalten und Lösungen zum Universitätsrepetitorium auf dem Server unirep.rewi.hu-berlin.de Stand: 1. Juni 2010
MehrLinguLab GmbH. Bedienungsanleitung Allgemeine Definition
LinguLab GmbH Bedienungsanleitung Allgemeine Definition LinguLab GmbH T: +49.711.49030.370 Maybachstr. 50 F: +49.711.49030.22.370 70469 Stuttgart E: mba@lingulab.de I: www.lingulab.de Inhaltsverzeichnis
Mehrimpact ordering Info Produktkonfigurator
impact ordering Info Copyright Copyright 2013 veenion GmbH Alle Rechte vorbehalten. Kein Teil der Dokumentation darf in irgendeiner Form ohne schriftliche Genehmigung der veenion GmbH reproduziert, verändert
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrBedienung des Web-Portales der Sportbergbetriebe
Bedienung des Web-Portales der Sportbergbetriebe Allgemein Über dieses Web-Portal, können sich Tourismusbetriebe via Internet präsentieren, wobei jeder Betrieb seine Daten zu 100% selbst warten kann. Anfragen
MehrMicrosoft Access 2013 Navigationsformular (Musterlösung)
Hochschulrechenzentrum Justus-Liebig-Universität Gießen Microsoft Access 2013 Navigationsformular (Musterlösung) Musterlösung zum Navigationsformular (Access 2013) Seite 1 von 5 Inhaltsverzeichnis Vorbemerkung...
MehrDiese Ansicht erhalten Sie nach der erfolgreichen Anmeldung bei Wordpress.
Anmeldung http://www.ihredomain.de/wp-admin Dashboard Diese Ansicht erhalten Sie nach der erfolgreichen Anmeldung bei Wordpress. Das Dashboard gibt Ihnen eine kurze Übersicht, z.b. Anzahl der Beiträge,
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Mehr4. BEZIEHUNGEN ZWISCHEN TABELLEN
4. BEZIEHUNGEN ZWISCHEN TABELLEN Zwischen Tabellen können in MS Access Beziehungen bestehen. Durch das Verwenden von Tabellen, die zueinander in Beziehung stehen, können Sie Folgendes erreichen: Die Größe
MehrHandbuch ECDL 2003 Basic Modul 6: Präsentation Diagramm auf einer Folie erstellen
Handbuch ECDL 2003 Basic Modul 6: Präsentation Diagramm auf einer Folie erstellen Dateiname: ecdl6_05_01_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 6 Präsentation - Diagramm
MehrE-Mail-Inhalte an cobra übergeben
E-Mail-Inhalte an cobra übergeben Sie bieten ihren potentiellen oder schon bestehenden Kunden über ihre Website die Möglichkeit, per Bestellformular verschiedene Infomaterialien in Papierform abzurufen?
MehrHandbuch ECDL 2003 Professional Modul 2: Tabellenkalkulation Arbeiten mit Pivot-Tabellen
Handbuch ECDL 2003 Professional Modul 2: Tabellenkalkulation Arbeiten mit Pivot-Tabellen Dateiname: ecdl_p2_04_01_documentation.doc Speicherdatum: 08.12.2004 ECDL 2003 Professional Modul 2 Tabellenkalkulation
Mehr2D to 3D Technologie
Copyright by GDESIGN Vertriebsgesellschaft Einführung Der Einsatz von CAD-Werkzeugen und -Techniken gehört heute zum Standard. Immer mehr Unternehmen arbeiten daran, ihre bisherige 2D-Konstruktion auf
MehrInformationen zum neuen Studmail häufige Fragen
1 Stand: 15.01.2013 Informationen zum neuen Studmail häufige Fragen (Dokument wird bei Bedarf laufend erweitert) Problem: Einloggen funktioniert, aber der Browser lädt dann ewig und zeigt nichts an Lösung:
MehrLEITFADEN zur Einstellung von Reverse Charge bei Metall und Schrott
LEITFADEN zur Einstellung von Reverse Charge bei Metall und Schrott (berücksichtigt die Rechtslage ab 01.01.2014) Der vorliegende Leitfaden zeigt Ihnen eine Möglichkeit auf, wie Sie die geltende Rechtslage
MehrErstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
MehrZahlen auf einen Blick
Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrBenutzerhandbuch MedHQ-App
Benutzerhandbuch MedHQ-App T h o r D y n a m i c s G m b H A m B ü c h e n b e r g s k a m p 2 2 2 1 0 3 9 B ö r n s e n V e r s i o n 1. 0 S t a n d : 0 4 / 2 0 1 5 z u r M e d H Q - A p p - V e r s i
Mehrtentoinfinity Apps 1.0 EINFÜHRUNG
tentoinfinity Apps Una Hilfe Inhalt Copyright 2013-2015 von tentoinfinity Apps. Alle Rechte vorbehalten. Inhalt der online-hilfe wurde zuletzt aktualisiert am August 6, 2015. Zusätzlicher Support Ressourcen
MehrQt-Projekte mit Visual Studio 2005
Qt-Projekte mit Visual Studio 2005 Benötigte Programme: Visual Studio 2005 Vollversion, Microsoft Qt 4 Open Source s. Qt 4-Installationsanleitung Tabelle 1: Benötigte Programme für die Qt-Programmierung
MehrDPF Dynamic Partial distance Function
DPF Dynamic Partial distance Function Vorgelegt von Sebastian Loose (MatrikelNR.: 169172), Computervisualistikstudent im 4. Semester. Hausarbeit zum Papier DPF A Perceptual Distance Function for Image
MehrÜbersichtlichkeit im Dokumentenmanagement
Übersichtlichkeit im Dokumentenmanagement Workshop Software GmbH Siemensstr. 21 47533 Kleve 02821 / 731 20 02821 / 731 299 www.workshop-software.de Verfasser: SK info@workshop-software.de Datum: 02/2012
MehrEin Ausflug zu ACCESS
Ein Ausflug zu ACCESS Die folgenden Folien zeigen beispielhaft, wie man sein DB- Wissen auf ACCESS übertragen kann betrachtet wird ACCESS 2002, da gerade im Bereich der Nutzung von SQL hier einiges nachgearbeitet
MehrBIA-Wissensreihe Teil 4. Mind Mapping Methode. Bildungsakademie Sigmaringen
BIA-Wissensreihe Teil 4 Mind Mapping Methode Bildungsakademie Sigmaringen Inhalt Warum Mind Mapping? Für wen sind Mind Maps sinnvoll? Wie erstellt man Mind Maps? Mind Mapping Software 3 4 5 7 2 1. Warum
Mehr